
#20. PCで作るエッジAIカメラ開発:YOLO×MediaPipeで「実戦的」な姿勢検知システム
こんにちは、もんきちです! 「100週チャレンジ」もついに20週目。節目の今回は、これまで学んできた技術を使って「実用レベルのAIカメラシステム」を構築しました。
今回のテーマは、単にAIを動かすことではなく、「現場で使える安定性と軽さをどう両立させるか」。 その開発ステップを公開します。
1. 開発のコンセプト:賢く、軽く、安定させる
今回のシステムは、「YOLO(物体検知)」で人を見つけ、「MediaPipe(骨格推定)」でその人のポーズを認識するという二段構えの構成です。
ただ闇雲にAIを回すのではなく、以下の3つの「製品レベルの工夫」を盛り込みました。
負荷分散: YOLOで人を見つけた時だけ、そのエリア(ROI)を切り取って姿勢を推論する。
安定化: 1フレームの誤判定を信じず、数フレーム同じ結果が出て初めて確定させる。
信頼性: AIが予測した「座標」だけでなく、その部位が「見えているか(Visibility)」を確認する。
2. 実装のステップ:最小構成から機能追加へ
開発は「動かしては理解する」の繰り返しで進めました。
Step 1:土台作り(OpenCV & YOLO)
まずはカメラを起動し、YOLO(yolo11n.pt)で「人(class_id: 0)」だけを緑枠で囲むところから。 AI推論には「しきい値(Confidence)」の設定が不可欠。0.5以上に設定することで、背景の影を人と見間違える誤検知を大幅に減らせました。
Step 2:ライブラリのバージョン問題克服とMediaPipe追加
ここで「MediaPipeにsolutions属性がない」というエラーに直面。 「最新版=安定」ではないのですね。バージョンを0.10.9に固定することで安定して動くようになりました。ライブラリ同士の相性を管理することも大事なのですね。
Step 3:姿勢判定のロジック構築
MediaPipeのランドマーク(座標)を使い、「手が肩より上ならHands Up」「腰が膝に近いならSitting」といった判定を実装。
3. 「製品レベル」へ引き上げるための改善
ここからが、今回の開発で最も「実務的」だと感じたポイントです。
最大人数の絞り込み: 画面に複数が映っても、最も面積(Area)が大きい「メインの1人」だけに姿勢推論を集中。これでラズパイのような低スペック機への移植が見えてきます。
余白(Padding): 人の枠ギリギリを切り取ると、手が枠外に外れて「Hands Up」が判定できない問題が発生。周囲に40ピクセルの余白を持たせるだけで、精度が劇的に改善しました。
Visibility(可視性)のチェック: AIが「見えていない手」を無理やり推定した座標は信じない。信頼度が0.6以上の時だけ判定に使うようにしました。
数フレーム安定化: 同じポーズが3回続いたら正式採用。これで、一瞬のノイズでラベルがパタパタ変わる不快な挙動が消えました。
4. 開発したカメラ検知フロー:推論の「流れ」を設計する
最終的なシステムの動きは以下のようになりました。
OpenCV でカメラ映像を取得。
YOLO で人を検知(3フレームに1回の「間引き」で軽量化)。
最大の人を選び、その領域を切り出す。
MediaPipe Pose で切り出し領域内を解析。
Visibilityと時間的安定化を経て、「Standing」などの結果を確定。
画面表示: スコア、FPS、CPU使用率を可視化。
次のステップ:ラズパイ移植と実務応用へ
次は、このシステムを Raspberry Pi 5 へ移植し、本当の意味での「エッジデバイス」として自立させる計画です。
異常姿勢検知: 転倒や不審な動きをイベントとして検知。
録画保存機能: 検知した瞬間をスクショや動画で残す。
スレッド化: 描画と推論を分けて、さらなる高速化を目指す。
20週目、完結。 少しずつエッジでAIがどのように動いているのか、どのような工夫をすれば用途に即した設計になるか、感覚が分かってきたような気がします。次回もお楽しみに!